CN101866428A - 一种发动机燃料种类和牌号的快速识别方法 - Google Patents

Abstract

本发明公开了一种发动机燃料种类和牌号的快速识别方法，该方法包括如下步骤：第一步：收集具有代表性的样品作为训练集；第二步：测定训练集样品的中红外光谱；第三步：确定识别方案：采用多个模型逐级识别方式识别燃料的种类和牌号；第四步：对第二步的中红外光谱数据进行预处理，其预处理后的光谱数据作为候选识别变量；第五步：根据第三步确定的识别方案，利用训练集样品，评价各候选识别变量的识别能力，然后选用BAYES判别方法，建立识别模型；第六步：对于未知发动机燃料样品的识别，首先测定其红外光谱，并进行与第四步中相同的预处理，然后结合第四步中建立的识别模型逐级进行种类和牌号识别。本发明方法可快速识别发动机燃料样品的种类和牌号。

Description

一种发动机燃料种类和牌号的快速识别方法

技术领域

本发明涉及一种发动机燃料种类和牌号的快速识别方法，具体地说，涉及一种快速将未知发动机燃料识别为柴油、汽油和喷气燃料，并确定其牌号的方法。

背景技术

发动机用途不同，导致具发动机燃料种类繁多。比如，柴油发动机使用柴油动力燃料、汽油发动机使用汽油动力燃料，飞机发动机使用喷气燃料。各类发动机燃料根据使用条件进一步区分为不同牌号的燃料。柴油根据用户分为军用柴油和轻柴油两大类。根据使用温度(凝点)不同，各类柴油又进一步分为10号柴油、0号柴油、-10号柴油和-35号柴油等各种牌号的柴油。汽油分为含乙醇汽油和车用汽油。汽油根据抗爆性能(研究法辛烷值)分为90号汽油、93号汽油和97号汽油。各种类和各种牌号的燃料不能混用，否则发动机不能正常运行，导致故障发生。但是，在实际使用过程中，由于种种原因，常常会存在发动机燃料种类和牌号混用现象，特别是低标号的汽油冒充高标号汽油，因此需要研制发动机燃料种类和牌号的快速识别方法，正确指导正确用油，避免因误用油料带来的损失。

发明内容

本发明目的是提供一种发动机燃料种类和牌号的快速识别方法，该方法通过被测样品红外光谱，结合模式识别技术，根据识别方案，可快速识别发动机燃料种类和牌号。

本发明提供的技术方案是：一种发动机燃料种类和牌号的快速识别方法，包括如下步骤：

第一步：收集具有代表性的样品作为训练集；

第二步：测定训练集样品的中红外光谱；

第三步：确定识别方案：采用多个模型逐级识别方式进行发动机燃料种类和牌号识别；

第四步：对第二步的中红外光谱数据进行预处理，其预处理后的光谱数据作为候选识别变量；

第五步：根据第三步确定的识别方案，利用训练集样品，评价各候选识别变量的识别能力，然后选用BAYES判别方法，建立识别模型；

第六步：对于未知发动机燃料样品的识别，首先测定其中红外光谱，并进行与第四步中相同的预处理，然后结合第四步中建立的识别模型逐级进行种类和牌号识别。

所述发动机燃料包括汽油、柴油和喷气燃料。

上述第五步中建立模型的过程如下：

一、采用F值来评价各候选识别变量的识别能力，F越大，说明分类能力越强，反之越差，F的计算公式如下：

$F=\frac{w_b}{w_w}\×\frac{m-g}{g-1}$

其中，g为类别数目，m为样本总数目；w_w为所选用特征的类内偏差矩阵，w_b为所选用特征的类间偏差矩阵。

二、采用BAYES判别方法建立识别模型：

(1)选用识别能力强的前m个变量作为识别特征；

(2)计算训练集中i类样品集的特征平均矩阵

协方差矩阵S_i和先验概率P(w_i)，其中，P(w_i)为i类样品数目与所有样品数目比值；

(3)建立模型，即构建各类的h判别函数：

$h_i\left(X\right)=\frac{1}{2}{(X-\stackrel{\‾}{X_i})}^T{S}_i^{-1}(X-\stackrel{\‾}{X_i})+\ln (P\left(w_i\right)-\frac{1}{2}\ln \left|S_i\right|;$

(4)将训练集样品作为待识别样品X_un，计算X_un对训练集i类的h_i(X_un)值，然后比较h_i(X_un)大小，X属于h₁(X)，..，h_g(X)中最大的类，并与实际种类比较，计算正确识别率p_r(％)；

(5)绘制p_r与m的关系，选定p_r最高，且m最小的识别变量作为识别特征，建立识别模型。

所述发动机燃料包括汽油、柴油和喷气燃料。

上述第(5)步中，所述识别模型为：发动机燃料种类识别模型、柴油种类识别模型、汽油种类识别模型、柴油牌号识别模型和汽油牌号识别模型。

所述识别方案所建立的模型分述如下：

发动机燃料种类识别模型：光谱预处理为一阶微分处理，该模型将未知发动机燃料识别为汽油、柴油和喷气燃料三大类。

柴油种类识别模型：光谱预处理为一阶微分，该模型将未知柴油识别为军用柴油和轻柴油两类。

柴油牌号识别模型：预处理为一阶微分，该模型将柴油识别为0号、-10号、-35号柴油。

汽油种类识别模型：无光谱预处理，该模型将汽油识别为乙醇汽油和车用汽油。

汽油牌号识别模型：预处理为一阶微分，该模型将汽油识别为90号、93号、97号汽油。

本发明利用红外光谱，结合模式识别技术(BAYES判别方法)，迅速判断发动机燃料的种类和牌号，能够成功地将未知发动机燃料识别为汽油、柴油和喷气燃料，并可以进一步识别为不同牌号，指导发动机燃料的正确使用。

附图说明

图1为发动机燃料种类和牌号识别方案；

图2所有发动机燃料样品中红外吸收光谱图；

图3所有发动机燃料样品中红外一阶微分吸收光谱图；

图4不同波长一阶微分光谱对发动机燃料种类识别能力F图；

图5发动机燃料种类错误识别数目和正确识别率与识别特征数目关系图；

图6不同波长一阶微分光谱对柴油种类识别能力F图；

图7柴油种类错误识别数目和正确识别率与识别特征数目关系图；

图8不同波长一阶微分光谱对柴油牌号识别能力F图；

图9柴油牌号错误识别数目和正确识别率与识别特征数目关系图；

图10不同波长原始光谱对汽油种类识别能力F图；

图11不同波长一阶微分光谱对汽油牌号识别能力F图；

图12汽油牌号错误识别数目和正确识别率与识别特征数目关系图；

具体实施方式

本发明方法的识别方案的确定步骤如下：

第一步：收集具有代表性的样品作为训练集。

第二步：测定训练集样品中红外光谱。

第三步：按照图1的方案，采用BAYES判别方法建立各个识别模型。各个模型的建立过程如下：

一、对训练集的红外光谱进行相应的预处理，预处理后数据作为候选识别变量；

二、采用F值来评价各候选识别变量的识别能力。F越大，说明分类能力越强，反之越差，F的计算公式如下：

$F=\frac{w_b}{w_w}\×\frac{m-g}{g-1}$

其中，g为类别数目，m为样本总数目；w_w为所选用特征的类内偏差矩阵，w_b为所选用特征的类间偏差矩阵。

三、采用BAYES判别方法建立识别模型，具体过程如下：

(1)选用识别能力强的前m个变量作为识别特征；

(2)计算训练集中i类样品集的特征平均矩阵协方差矩阵S_i和先验概率P(w_i)(P(w_i)为i类样品数目与所有样品数目比值)；

(3)建立模型，即构建各类的h判别函数：

$h_i\left(X\right)=\frac{1}{2}{(X-\stackrel{\‾}{X_i})}^T{S}_i^{-1}(X-\stackrel{\‾}{X_i})+\ln (P\left(w_i\right)-\frac{1}{2}\ln \left|S_i\right|;$

(4)将训练集样品作为待识别样品X_un，计算X_un对训练集i类的h_i(X_un)值，然后比较h_i(X_un)大小，X属于h₁(X)，...，h_g(X)中最大的类，并与实际种类比较，计算正确识别率p_r(％)；(5)绘制p_r与m的关系，选定p_r最高，且m最小的识别变量作为识别特征，建立识别模型。

图1的方案所建立的模型分述如下：

发动机燃料种类识别模型：光谱预处理为一阶微分，识别方法为BAYES判别方法。该模型将未知发动机燃料识别为柴油、汽油和喷气燃料等三大类。

柴油种类识别模型：光谱预处理为一阶微分，识别方法为BAYES判别方法。该模型将未知柴油识别为军用柴油和轻柴油两类。

柴油牌号识别模型：预处理均为一阶微分，识别方法为BAYES判别方法。该模型将未知柴油识别为0号、-10号和-35号柴油三类。

汽油种类训别模型：无光谱预处理，识别方法为BAYES判别方法。该模型将未知汽油识别为乙醇汽油和车用汽油两类。

汽油牌号识别模型：预处理均为一阶微分，识别方法为BAYES判别方法。该模型将未知汽油识别为90号、93号和97号柴油三类。

实例1：建立发动机燃料种类识别模型

1)收集训练集样品

收集有明确种类和牌号标识发动机燃料共863个。其中，3号喷气燃料102个，各种牌号的柴油261个，各种牌号的汽油500个，均采自我国各个炼油厂。

2)测定训练集样品红外光谱

采用TENSOR 27中红外光谱仪测定发动机燃料样品，光谱范围：600～4000cm^-1。透射样品池，0.1mm光程，谱图见图2。

3)对红外光谱数据进行预处理

红外光谱数据经过一阶微分处理，谱图见图3。

4)评价各个候选变量识别能力。

采用F判据来评价各变量对三类发动机燃料(汽油、柴油和喷气燃料)的识别能力。

$F=\frac{w_b}{w_w}\×\frac{m-g}{g-1}$

其中，g为类别数目，m为样本总数目，在本实施例中，g＝3，m＝863；w_w为所选用特征的类内偏差矩阵，w_b为所选用特征的类间偏差矩阵。

F的计算结果见图4，各个变量识别能力不同。

5)确定识别特征数目和建立识别模型

依据一阶微分光谱识别能力评价结果(图4)，依次选用训练集的前m个识别能力最强的特征，采用Bayes判别方法建立模型，然后识别训练集样品进行检验，绘制正确识别率与识别特征数目关系，结果见图5。当m＝10时，识别率为100％。选用前10个识别能力最强的波长的一阶微分光谱吸光度作为特征变量，然后利用Bayes方法建立识别模型。该10个波长依次为2839.1、2841.1、2860.3、709.8、2652.0、2650.1、976.0、2648.2、2654.0和2864.2cm^-1。为考察识别效果，将训练集的863个样品作为未知样品，并将上述识别能力最强的10个波长的一阶微分吸光度引入模型中，计算与各类的h值，最大h值对应的类为样品的识别种类。在所有863个样品中，识别结果种类与真实种类一致，即可以采用该模型同时识别柴油、汽油和喷气燃料。

实例2：建立柴油种类识别模型

1)收集训练集样品

收集有明确种类标识的柴油样品共261个。其中军用柴油样品59个和轻柴油样品202个。

2)测定训练集样品的红外光谱

与实例1同。

3)对红外光谱数据进行预处理

对红外光谱数据进行一阶微分，一阶微分处理后光谱数据作为识别候选变量。

4)评价各个候选变量识别能力

与实例1同，采用F判据来评价各变量对军用柴油和轻柴油的识别能力。在本实施例中，g＝2，m＝261；F的计算结果见图6，各个变量识别能力不同。

5)确定识别特征数目和建立识别模型

依据一阶微分光谱识别能力评价结果(图6)，依次选用训练集的前m个识别能力最强的特征，采用BAYES判别方法建立模型，然后识别训练集样品进行检验，绘制正确识别率与识别特征数目关系，结果见图7。当m＝15时，识别率为99.6％，远远超过95％，可以使用。其中1个轻柴油错误识别为军用柴油。选用前15个识别能力最强的波长的一阶微分光谱吸光度作为特征，然后利用BAYES方法建立识别模型。15个波长具体为3489.1、2601.9、2600.0、2598.0、2509.3、2507.4、2505.5、2439.9、2437.9、2436.0、2274.0、2272.1、1274.9、1273.0、1082.0cm^-1。为考察识别效果，将训练集的261个样品作为未知样品，并将上述识别能力最强的10个波长的一阶微分吸光度引入模型中，计算与各类的h值，最大h值对应的类为样品的识别种类。在所有261个样品中，只有1个样品被错误识别，识别率为99.6％，说明可以采用该模型将柴油识别为轻柴油和军用柴油。

实例3：建立柴油牌号的识别模型

1)收集训练集样品

收集各种牌号的军用柴油和轻柴油共261个。其中0号轻柴油样品78个，-10号柴油样品134个(含44个-10号军用柴油和90个-10号轻柴油)，-35号柴油样品34个(含15个-35号军用柴油和34个-35号轻柴油)。

2)测定训练集样品的红外光谱

与实例1同。

3)对红外光谱数据进行预处理

对红外光谱数据进行一阶微分，一阶微分处理后光谱数据作为识别候选变量。

4)评价各个候选变量识别能力

与实例1同，采用F判据来评价各变量对军用柴油和轻柴油的识别能力。在本实施例中，g＝3，m＝261；F的计算结果见图8，各个变量识别能力不同。

5)确定识别特征数目和建立识别模型

依据一阶微分光谱识别能力评价结果(图8)，依次选用训练集的前m个识别能力最强的特征，采用BAYES判别方法建立模型，然后识别训练集样品进行检验，绘制正确识别率与识别特征数目关系，结果见图9。当m＝33时，识别率为100％。选用前33个识别能力最强的波长的一阶微分光谱吸光度作为特征，然后利用BAYES方法建立识别模型。33个波长依次为709.8、707.9、2686.8、2684.8、1791.8、1336.6、2682.9、2688.7、3199.8、3197.9、2243.1、1793.7、1334.7、2681.0、2241.2、1789.9、1338.6、3201.7、2171.8、3683.9、3195.9、2999.2、864.1、1448.5、2173.7、1795.7、2353.1、2978.0、2355.0、3682.0、1307.7、711.7、1450.4cm^-1。为考察识别效果，将训练集的261个样品作为未知样品，并将上述识别能力最强的33个波长的一阶微分吸光度引入模型中，计算与各类的h值，最大h值对应的类为样品的识别种类，见表1。在所有261个样品中，所有样品的识别结果种类与真实种类一致，即可以采用该模型将柴油识别为0号、-10号和-35号柴油。

表1各牌号柴油的h值、h_max以及识别结果

实例4：建立汽油种类的识别模型

1)收集训练集样品

收集各种牌号的车用汽油和乙醇汽油共500个。其中车用汽油样品431个，乙醇汽油样品69个。

2)测定训练集样品的红外光谱

与实例1同。

3)对红外光谱数据进行预处理

无预处理，直接选用原始光谱吸光度数据作为识别候选变量。

4)评价各个候选变量识别能力

与实例1同，采用F判据来评价各变量对军用柴油和轻柴油的识别能力。在本实施例中，g＝2，m＝500；F的计算结果见图10，各个变量识别能力不同。

5)确定识别特征数目和建立识别模型

依据各个变量识别能力评价结果(图10)可知，乙醇汽油和车用汽油光谱特征区分非常明显，尤其在3344.5、3346.4和1049.2cm^-1的吸光度尤为显著，可以选用其中任何一个波长进行识别。选用3344.5cm-1时，如果样品的吸光度超过0.2，则该样品为乙醇汽油；否则为车用汽油。选用1049.2cm-1时，如果吸光度超过1.4，则为乙醇汽油，否则为车用汽油。利用该规则，可以将500个汽油样品成功识别为乙醇汽油和车用汽油。

实例5：建立汽油种类的识别模型

1)收集训练集样品

收集各种牌号的车用汽油和乙醇汽油共500个，其中90号汽油样品85个(含77个90号车用汽油和8个90号乙醇汽油)，93号汽油样品305个(含260个93号车用汽油和45个93号乙醇汽油)，97号汽油样品110个(含94个97号车用汽油和16个97号乙醇汽油)。

2)测定训练集样品的红外光谱

与实例1同。

3)对红外光谱数据进行预处理

采用一阶微分进行预处理，直接选用其一阶微分处理后的数据作为识别候选变量。

4)评价各个候选变量识别能力

与实例1同，采用F判据来评价各变量对军用柴油和轻柴油的识别能力。在本实施例中，g＝3，m＝500；F的计算结果见图11，各个变量识别能力不同。

5)确定识别特征数目和建立识别模型

依据各个变量识别能力评价结果(图11)可知，依次选用训练集的前m个识别能力最强的特征，采用BAYES判别方法建立模型，然后识别训练集样品进行检验，绘制正确识别率与识别特征数目关系，结果见图12。当m＝37时，识别率为99.2％，超过95％，可以使用。选用前37个识别能力最强的波长的一阶微分光谱吸光度作为特征变量，然后利用BAYES方法建立识别模型。37个波长依次为2846.8、1298.1、2844.9、2173.7、1101.3、1296.1、1294.2、2868.1、1103.2、1292.3、2175.6、1105.2、1300.0、1107.1、2839.1、1290.3、2177.6、1085.9、1109.0、1084.0、1930.7、2179.5、1087.8、1288.4、2843.0、1089.7、2181.4、2866.1、1111.0、1082.0、1932.6、1263.3、1286.5、2183.3、2837.2、1379.1、1377.1cm^-1。为考察识别效果，将训练集的500个样品作为未知样品，并将上述识别能力最强的33个波长的一阶微分吸光度引入模型中，计算与各类的h值，最大h值对应的类为样品的识别种类。在所有500个样品中，只有4个样品被错误识别，识别率高达99.2％。其中1个93号汽油被错误识别为97号样品，3个90号汽油被错误识别为93号汽油。可见，可以采用该模型将汽油识别为90号、93号和97号汽油。

Claims (10)

1.一种发动机燃料种类和牌号的快速识别方法，包括如下步骤：

第一步：收集具有代表性的样品作为训练集；

第二步：测定训练集样品的中红外光谱；

第三步：确定识别方案：采用多个模型逐级识别方式进行发动机燃料种类和牌号识别；

第四步：对第二步的中红外光谱数据进行预处理，其预处理后的光谱数据作为候选识别变量；

第五步：根据第三步确定的识别方案，利用训练集样品，评价各候选识别变量的识别能力，然后选用BAYES判别方法，建立识别模型；

第六步：对于未知发动机燃料样品的识别，首先测定其中红外光谱，并进行与第四步中相同的预处理，然后结合第四步中建立的识别模型逐级进行种类和牌号识别。

2.根据权利要求1所述的方法，其特征在于：所述发动机燃料包括汽油、柴油和喷气燃料。

3.根据权利要求2所述的方法，其特征在于：第四步中的预处理包括一阶微分处理

4.根据权利要求3所述的方法，其特征在于：第五步中建立模型的过程如下：

一、采用F值来评价各候选识别变量的识别能力，F越大，说明分类能力越强，反之越差，F的计算公式如下：

$F=\frac{w_b}{w_w}\×\frac{m-g}{g-1}$

其中，g为类别数目，m为样本总数目；w_w为所选用特征的类内偏差矩阵，w_b为所选用特征的类间偏差矩阵。

二、采用BAYES判别方法建立识别模型：

(1)选用识别能力强的前m个变量作为识别特征；

(2)计算训练集中i类样品集的特征平均矩阵协方差矩阵S_i和先验概率P(w_i)，其中，P(w_i)为i类样品数目与所有样品数目比值；

(3)建立模型，即构建各类的h判别函数：

$h_i\left(X\right)=\frac{1}{2}{(X-\stackrel{\‾}{X_i})}^T{S}_i^{-1}(X-\stackrel{\‾}{X_i})+\ln (P\left(w_i\right)-\frac{1}{2}\ln \left|S_i\right|;$

(4)将训练集样品作为待识别样品X_un，计算X_un对训练集i类的h_i(X_un)值，然后比较h_i(X_un)大小，X属于h₁(X)，...，h_g(X)中最大的类，并与实际种类比较，计算正确识别率p_r(％)；

(5)绘制p_r与m的关系，选定p_r最高，且m最小的识别变量作为识别特征，建立识别模型。

5.根据权利要求4所述的方法，其特征在于：第(5)步中，所述识别模型为：发动机燃料种类识别模型、柴油种类识别模型、柴油牌号识别模型、汽油种类识别模型、汽油牌号识别模型。

6.根据权利要求5所述的方法，其特征在于：发动机燃料种类识别模型的预处理为一阶微分，将未知发动机燃料识别为柴油、汽油和喷气燃料三大类。

7.根据权利要求5所述的方法，其特征在于：柴油种类识别模型的预处理为一阶微分，将未知柴油识别为军用柴油和轻柴油两类。

8.根据权利要求5所述的方法，其特征在于：柴油牌号识别模型的预处理为一阶微分，将柴油识别为0号、-10号和-35号柴油。

9.根据权利要求5所述的方法，其特征在于：汽油种类识别模型无光谱预处理，将汽油识别为乙醇汽油和非乙醇汽油。

10.根据权利要求5所述的方法，其特征在于：汽油牌号识别模型的预处理为一阶微分，将汽油识别为90号、93号和97号汽油。

Images